Параметризованная квантовая схема, учитывающая статистику: к практической подготовке квантовых состояний и обучению по принципу максимальной энтропии

Преобразование реальных данных в квантовые состояния

Современные квантовые компьютеры обещают значительные преимущества в финансах, науке и машинном обучении — но только если мы сначала сможем перевести беспорядочные данные из реального мира на уязвимый язык квантовых состояний. В этой статье предлагается новый способ такого перевода, называемый статистически информированной параметризованной квантовой схемой (SI-PQC). Вплетая базовые закономерности данных прямо в структуру квантовой схемы, SI-PQC нацелена на более эффективную загрузку распределений вероятностей в кубиты, делая многие предлагаемые квантовые ускорения более реалистичными на практике.

Почему сложно привести данные в квантовый вид

Прежде чем квантовый алгоритм сможет выполниться, его вход должен быть закодирован как квантовое состояние, амплитуды которого соответствуют целевому распределению вероятностей, например колоколообразной кривой или смеси нескольких пиков. Построение такого состояния в общем случае чрезвычайно дорого: в худшем случае число вентилей или вспомогательных кубитов растёт экспоненциально с размером набора данных. Существующие методы пытаются воспользоваться моделями данных — например, используя известные формулы для стандартных распределений или обучая гибкие квантовые схемы на образцах. Но эти подходы часто скрывают большую цену: требуется значительная предварительная вычислительная работа или длительное обучение, чтобы перевести параметры модели в настройки вентилей, и эти накладные расходы могут стирать теоретические преимущества самого квантового алгоритма, особенно когда данные или параметры модели меняются со временем.

Использование симметрий и неопределённости как руководства по проектированию

Ключевая идея SI-PQC — рассматривать данные не как произвольный набор чисел, а как структуру, задаваемую простыми «симметриями», такими как фиксированное среднее значение или разброс. Авторы опираются на принцип максимальной энтропии, концепцию из статистики и физики, которая гласит: среди всех распределений, согласующихся с небольшим набором известных средних величин, наиболее честная и наименее предвзятая оценка — та, у которой энтропия максимальна. Многие знакомые распределения, например гауссово, можно понять именно так. SI-PQC разделяет информацию на две части. Одна часть — это фиксированные знания о форме модели и сохраняемых характеристиках, которым она должна соответствовать. Другая часть — это несколько настраиваемых параметров, отражающих то, что всё ещё неизвестно или меняется в данных. В схеме это реализуется как фиксированные слои, которые не меняются между задачами, и компактный набор регулируемых поворотных вентилей, которые непосредственно кодируют параметры модели.

Построение и смешивание квантовых распределений

На основе этого дизайна авторы строят «загрузчик распределений максимальной энтропии», способный подготовить широкий класс стандартных форм вероятностей на умеренном числе кубитов. Они тестируют свои схемы на экспоненциальном, хи-квадрат, гауссовом и распределении Рэлея и показывают, что, регулируя степень многочленовой аппроксимации, можно сделать квантовое состояние близким к целевой кривой, сохраняя при этом контролируемую глубину схемы. Одной из ключевых особенностей является то, что структура схемы остаётся прежней даже при изменении параметров, что позволяет повторно использовать её и проводить агрессивную оптимизацию. Авторы затем расширяют идею на смеси распределений — ситуации, когда неопределённость в параметрах описывается другим законом распределения, как в гауссовых моделях смеси, используемых в машинном обучении и финансах. Их «взвешенный смеситель распределений» может закодировать и видимую часть данных, и скрытое пространство возможных настроек параметров в одном квантовом состоянии, избегая экспоненциального взрыва сложности, присущего более наивным квантовым конструкциям.

Обучение на данных с квантовой помощью

Помимо подготовки состояний, SI-PQC также служит обучаемой моделью для извлечения знаний из данных. Поскольку число свободных параметров в схеме тесно согласовано со степенями свободы базовой статистической модели, пространство оптимизации меньше и более интерпретируемо, чем в общих вариационных квантовых схемах. Авторы демонстрируют это, подгоняя модель гауссовой смеси с помощью гибридного квантово-классического цикла, который настраивает углы вентилей, минимизируя расстояние между подготовленным квантовым состоянием и данными-образцами. По мере обучения и квантовое состояние, и представляемые им классические параметры (например, средние и дисперсии) сходятся к своим истинным значениям. Теория предполагает, что такие компактные схемы, управляемые симметрией, должны лучше обобщать, требовать меньше обучающих примеров и быть менее подвержены «бесплодным» областям с нулевыми градиентами.

Практические выгоды в финансах и управлении рисками

Чтобы показать реальное воздействие, в статье рассматриваются две финансовые задачи: ценообразование деривативов и оценка рисков. Многие квантовые предложения в этой области опираются на алгоритмы типа Монте-Карло, которые могут ускорять оценку ожидаемых выплат или вероятностей убытков — при условии, что соответствующее распределение цен можно быстро подготовить на квантовом устройстве. SI-PQC значительно сокращает время классической предобработки и глубину части алгоритма, отвечающей за подготовку состояния, и может обновлять свои параметры за постоянное время при изменении рыночных условий, что критично для онлайн-ценообразования и расчёта греков. Авторы также предлагают квантово-помогаемую процедуру для оценки Value at Risk непосредственно по потоковым эмпирическим данным. Здесь простые скользящие средние от классических мониторингов используются в качестве ограничений в модели максимальной энтропии, которую SI-PQC превращает в приближённую квантовую версию распределения потерь в реальном времени. Квантовая оценка амплитуды затем даёт меры риска, которые тесно согласуются с вычислениями по исходным данным.

Что это значит в перспективе

Для неспециалистов основной вывод таков: эффективная «загрузка данных» так же важна для квантового преимущества, как и скорость самого квантового алгоритма. SI-PQC предлагает принципиальный способ преодолеть этот разрыв, кодируя простую, интерпретируемую статистическую структуру прямо в схеме квантовых цепей, при этом сохраняя настраиваемую часть малой и гибкой. Авторы показывают, что эта стратегия позволяет готовить и изучать сложные распределения, естественно работать со смесями и существенно сокращать совокупные ресурсы в прикладных задачах, ориентированных на финансы. Если эти идеи масштабируются на будущем железе, они могут помочь превратить квантовые вычисления из абстрактного обещания в практические инструменты в таких областях, как торговля в реальном времени, адаптивное машинное обучение и даже медицинская диагностика — везде, где быстро меняющиеся статистические паттерны нужно фиксировать и обрабатывать на квантовой скорости.

Цитирование: Zhuang, XN., Chen, ZY., Xue, C. et al. Statistics-informed parameterized quantum circuit: towards practical quantum state preparation and learning via maximum entropy principle. npj Quantum Inf 12, 45 (2026). https://doi.org/10.1038/s41534-026-01191-5

Ключевые слова: подготовка квантового состояния, максимальная энтропия, квантовое машинное обучение, гауссовы смеси, квантовые финансы